RunConfiguration Classe

Ereditarietà

azureml._base_sdk_common.abstract_run_config_element._AbstractRunConfigElement

RunConfiguration

Costruttore

RunConfiguration(script=None, arguments=None, framework=None, communicator=None, conda_dependencies=None, _history_enabled=None, _path=None, _name=None, command=None)

Parametri

Commenti

I sistemi di Machine Learning vengono in genere compilati per risolvere un problema specifico. Ad esempio, si potrebbe essere interessati a trovare il modello migliore che classifica le pagine Web che potrebbero essere servite come risultati di ricerca corrispondenti a una query. La ricerca del modello di Machine Learning migliore può richiedere l'uso di algoritmi diversi o prendere in considerazione impostazioni di parametro diverse e così via.

In Azure Machine Learning SDK viene usato il concetto di esperimento per acquisire la nozione che diverse esecuzioni di training sono correlate al problema che stanno tentando di risolvere. Un Experiment oggetto funge quindi da contenitore logico per queste esecuzioni di training, rendendo più semplice tenere traccia dello stato di avanzamento tra le esecuzioni di training, confrontare direttamente due esecuzioni di training e così via.

RunConfiguration incapsula le impostazioni dell'ambiente di esecuzione necessarie per inviare un'esecuzione di training in un esperimento. Acquisisce sia la struttura condivisa delle esecuzioni di training progettate per risolvere lo stesso problema di Machine Learning, sia le differenze nei parametri di configurazione (ad esempio, frequenza di apprendimento, funzione di perdita e così via) che distinguono le esecuzioni di training distinte tra loro.

Negli scenari di training tipici, RunConfiguration viene usato creando un ScriptRunConfig oggetto che raggruppa un oggetto RunConfiguration e uno script di esecuzione per il training.

La configurazione di RunConfiguration include:

• Creazione di bundle della directory di origine dell'esperimento, incluso lo script inviato.

• Impostazione degli argomenti della riga di comando per lo script inviato.

• Configurazione del percorso per l'interprete Python.

• Ottenere la configurazione di Conda per gestire le dipendenze dell'applicazione. Il processo di invio del processo può usare la configurazione per effettuare il provisioning di un ambiente Temp Conda e avviare l'applicazione all'interno. Gli ambienti temporanei vengono memorizzati nella cache e riutilizzati nelle esecuzioni successive.

• Uso facoltativo di Docker e immagini di base personalizzate.

• Scelta facoltativa dell'invio dell'esperimento a più tipi di calcolo di Azure.

• Scelta facoltativa della configurazione della modalità di materializzazione degli input e del caricamento degli output.

• Impostazioni di runtime avanzate per common runtime come spark e tensorflow.

Nell'esempio seguente viene illustrato come inviare uno script di training nel computer locale.

   from azureml.core import ScriptRunConfig, RunConfiguration, Experiment

   # create or load an experiment
   experiment = Experiment(workspace, "MyExperiment")
   # run a trial from the train.py code in your current directory
   config = ScriptRunConfig(source_directory='.', script='train.py',
       run_config=RunConfiguration())
   run = experiment.submit(config)

Nell'esempio seguente viene illustrato come inviare uno script di training nel cluster usando la proprietà del comando anziché script e argomenti.

   from azureml.core import ScriptRunConfig, Experiment
   # create or load an experiment
   experiment = Experiment(workspace, 'MyExperiment')
   # create or retrieve a compute target
   cluster = workspace.compute_targets['MyCluster']
   # create or retrieve an environment
   env = Environment.get(ws, name='MyEnvironment')
   # configure and submit your training run
   config = ScriptRunConfig(source_directory='.',
                            command=['python', 'train.py', '--arg1', arg1_val],
                            compute_target=cluster,
                            environment=env)
   script_run = experiment.submit(config)

L'esempio seguente illustra come eseguire un comando nel cluster.

   from azureml.core import ScriptRunConfig, Experiment
   # create or load an experiment
   experiment = Experiment(workspace, 'MyExperiment')
   # create or retrieve a compute target
   cluster = workspace.compute_targets['MyCluster']
   # create or retrieve an environment
   env = Environment.get(ws, name='MyEnvironment')
   # configure and submit your training run
   config = ScriptRunConfig(source_directory='.',
                            command=['ls', '-l'],
                            compute_target=cluster,
                            environment=env)
   script_run = experiment.submit(config)

Variabili

Metodi

delete

static delete(path, name)

load

static load(path, name=None)

save

save(path=None, name=None, separate_environment_yaml=False)

Attributi

auto_prepare_environment

environment_variables

target